Cursos de Aprendizagem Profunda (Deep learning) em Portugal

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a profissionais de nível avançado que desejam se especializar em técnicas de aprendizado profundo de ponta para NLU.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender as principais diferenças entre os modelos NLU e NLP.
• Aplique técnicas avançadas de aprendizado profundo às tarefas da NLU.
• Explore arquiteturas profundas, como transformadores e mecanismos de atenção.
• Aproveite as tendências futuras da NLU para criar sistemas sofisticados de IA.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a profissionais de nível avançado que desejam explorar técnicas XAI de última geração para modelos de aprendizado profundo, com foco na construção de sistemas de IA interpretáveis.

No final deste treinamento, os participantes serão capazes de:

• Entenda os desafios da explicabilidade no aprendizado profundo.
• Implementar técnicas avançadas de XAI para redes neurais.
• Interpretar decisões tomadas por modelos de aprendizado profundo.
• Avalie os trade-offs entre desempenho e transparência.

Esta formação ao vivo, ministrada por instrutor em Portugal (online ou presencial), é destinada a profissionais avançados que desejam utilizar técnicas de IA para revolucionar os processos de descoberta e desenvolvimento de medicamentos.

Ao final desta formação, os participantes serão capazes de:

• Compreender o papel da IA na descoberta e desenvolvimento de medicamentos.
• Aplicar técnicas de aprendizado de máquina para prever propriedades moleculares e interações.
• Utilizar modelos de deep learning para triagem virtual e otimização de leads.
• Integrar abordagens impulsionadas por IA no processo de ensaios clínicos.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a cientistas de dados de nível iniciante a intermediário e engenheiros de aprendizado de máquina que desejam melhorar o desempenho de seus modelos de aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Entenda os princípios do aprendizado profundo distribuído.
• Instale e configure o DeepSpeed.
• Escale modelos de aprendizado profundo em hardware distribuído usando DeepSpeed.
• Implemente e experimente os recursos do DeepSpeed para otimização e eficiência de memória.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a desenvolvedores de nível iniciante a intermediário que desejam usar modelos de linguagem grande para várias tarefas de linguagem natural.

No final deste treinamento, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua um LLM popular.
• Criar um LLM básico e ajustá-lo em um conjunto de dados personalizado.
• Usar LLMs para diferentes tarefas de linguagem natural, como resumo de texto, resposta a perguntas, geração de texto e muito mais.
• Depurar e avaliar LLMs usando ferramentas como TensorBoard, PyTorch Lightning e Hugging Face Datasets.

Este treinamento ao vivo, ministrado por instrutor (online ou presencial), destina-se a cientistas de dados, engenheiros de machine learning e pesquisadores de visão computacional que desejam aproveitar o Stable Diffusion para gerar imagens de alta qualidade em diversos casos de uso.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os princípios do Stable Diffusion e como ele funciona para geração de imagens.
• Construir e treinar modelos Stable Diffusion para tarefas de geração de imagens.
• Aplicar o Stable Diffusion em diversos cenários de geração de imagens, como inpainting, outpainting e tradução de imagem para imagem.
• Otimizar o desempenho e a estabilidade dos modelos Stable Diffusion.

Neste treinamento presencial ministrado pelo instrutor em Portugal, os participantes aprenderão as técnicas de aprendizado de máquina mais relevantes e avançadas em Python, enquanto constroem uma série de aplicações demonstrativas envolvendo imagens, música, texto e dados financeiros.

No final deste treinamento, os participantes serão capazes de:

• Implementar algoritmos e técnicas de aprendizado de máquina para resolver problemas complexos.
• Aplique o aprendizado profundo e semi-supervisionado a aplicações envolvendo imagens, música, texto e dados financeiros.
• Levar os algoritmos Python ao seu máximo potencial.
• Usar bibliotecas e pacotes como NumPy e Theano.

Neste treinamento ao vivo conduzido por instrutor em Portugal, os participantes aprenderão como implementar modelos de aprendizado profundo para telecomunicações usando Python à medida que avançam na criação de um modelo de risco de crédito de aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os conceitos fundamentais de aprendizagem profunda.
• Aprenda os aplicativos e usos do aprendizado profundo em telecomunicações.
• Use Python, Keras e TensorFlow para criar modelos de aprendizado profundo para telecomunicações.
• Crie seu próprio modelo de previsão de churn de cliente de aprendizado profundo usando Python.

Este curso cobre AI (emphasizing Machine Learning e Deep Learning) em Automotive Indústria. Ajuda a determinar que tecnologia pode ser (potencialmente) usada em múltiplas situações em um carro: da simples automação, reconhecimento de imagem para tomada de decisão autónoma.

Este é um curso de 4 dias que apresenta a IA e a sua aplicação. Existe a opção de ter um dia adicional para realizar um projeto de IA após a conclusão deste curso.

A Rede Neural Artificial é um modelo de dados computacional utilizado no desenvolvimento de sistemas de Inteligência Artificial (IA) capazes de realizar tarefas "inteligentes". As Redes Neurais são comumente utilizadas em aplicações de Aprendizado de Máquina (ML), que por sua vez, constituem uma implementação da IA. O Aprendizado Profundo é um subconjunto do ML.

Este curso é uma visão geral para Deep Learning sem aprofundar demasiado quaisquer métodos específicos. É adequado para pessoas que querem começar a utilizar a aprendizagem profunda para melhorar a sua precisão de previsão.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a pesquisadores e desenvolvedores que desejam instalar, configurar, personalizar e usar a plataforma DeepMind Lab para desenvolver sistemas gerais de inteligência artificial e aprendizado de máquina.

No final deste treinamento, os participantes serão capazes de:

• Personalizar DeepMind Lab para construir e executar um ambiente que atenda às necessidades de aprendizado e treinamento.
• Utilizar o ambiente de simulação 3D da DeepMind Lab para treinar agentes de aprendizagem num ponto de vista de primeira pessoa.
• Facilitar a avaliação de agentes para desenvolver a inteligência num mundo 3D semelhante a um jogo.

Este curso visa proporcionar todas as ferramentas e explicitar todos os apectos necessários para que os participantes possam adquirir conhecimetos únicos e funcionais acerca do Deep learning avançado, com o objetivo de que possam aplicar-lo em seu uso cotidiano.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a analistas de negócios, cientistas de dados e desenvolvedores que desejam criar e implementar modelos de aprendizado profundo para acelerar o crescimento da receita e resolver problemas no mundo dos negócios.

No final deste treinamento, os participantes serão capazes de:

• Entenda os principais conceitos de aprendizado de máquina e aprendizado profundo.
• Obtenha insights sobre o futuro dos negócios e da indústria com ML e DL.
• Defina estratégias e soluções de negócios com aprendizado profundo.
• Aprender a aplicar a ciência de dados e a aprendizagem profunda na resolução de problemas empresariais.
• Construir modelos de aprendizagem profunda utilizando Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

Público-Alvo

Este curso é adequado para pesquisadores e engenheiros de Aprendizagem Profunda interessados em utilizar ferramentas disponíveis (em sua maioria open source) para analisar imagens computacionais.

O curso fornece exemplos práticos.

Este treinamento ao vivo, ministrado por um instrutor em Portugal (online ou no local), é direcionado a cientistas de dados que desejam acelerar aplicações de machine learning em tempo real e implantá-las em escala.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar o conjunto de ferramentas OpenVINO.
• Acelerar uma aplicação de visão computacional utilizando um FPGA.
• Executar diferentes camadas de CNN no FPGA.
• Escalar a aplicação em vários nós em um cluster Kubernetes.

Este treinamento ao vivo, conduzido por instrutor em Portugal (online ou presencial), destina-se a desenvolvedores ou cientistas de dados que desejam utilizar o Horovod para executar treinamentos distribuídos de aprendizado profundo e escalá-los para rodar em múltiplas GPUs em paralelo.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para iniciar treinamentos de aprendizado profundo.
• Instalar e configurar o Horovod para treinar modelos com TensorFlow, Keras, PyTorch e Apache MXNet.
• Escalar o treinamento de aprendizado profundo com o Horovod para execução em múltiplas GPUs.

Nesta formação ao vivo com instrutor, os participantes aprenderão a utilizar o Matlab para projetar, construir e visualizar uma rede neural convolucional para reconhecimento de imagens.

Ao final desta formação, os participantes serão capazes de:

• Construir um modelo de deep learning
• Automatizar o rótulo de dados
• Trabalhar com modelos do Caffe e TensorFlow-Keras
• Treinar dados utilizando múltiplas GPUs, a nuvem ou clusters

Público-alvo

• Desenvolvedores
• Engenheiros
• Especialistas de domínio

Formato do curso

• Palestra, discussão, exercícios e intensa prática hands-on

Esta formação conduzida por instrutor (online ou presencial) é voltada para profissionais de nível iniciante a intermediário que desejam desenvolver seu entendimento sobre algoritmos de aprendizagem de máquina, técnicas de aprendizagem profunda e tomada de decisões baseadas em IA. O curso oferece experiência prática com conceitos de aprendizagem de máquina, modelos de aprendizagem profunda e implementações práticas usando R.

Ao final desta formação, os participantes serão capazes de:

• Compreender os fundamentos da aprendizagem de máquina e da aprendizagem profunda.
• Apliar diversos algoritmos de aprendizagem de máquina para regressão, classificação, agrupamento e detecção de anomalias.
• Utilizar arquiteturas de aprendizagem profunda como redes neurais artificiais (ANNs).
• Implementar modelos de aprendizagem supervisionada e não supervisionada.
• Avaliar o desempenho dos modelos e otimizar hiperparâmetros.
• Usar R para análise de dados, visualização e aplicativos de aprendizagem de máquina.

Esta sessão de treinamento em sala de aula conterá apresentações e exemplos baseados em computador e exercícios de estudo de caso para realizar com bibliotecas de redes neurais e profundas relevantes.

Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a engenheiros de software que desejam programar em Python com OpenCV 4 para aprendizado profundo.

Ao final deste treinamento, os participantes serão capazes de:

• Visualizar, carregar e classificar imagens e vídeos usando OpenCV 4.
• Implementar o aprendizado profundo em OpenCV 4 com TensorFlow e Keras.
• Execute modelos de aprendizado profundo e gere relatórios impactantes a partir de imagens e vídeos.

Neste treinamento ao vivo conduzido por instrutor, os participantes aprenderão técnicas avançadas para Machine Learning com R à medida que avançam na criação de um aplicativo do mundo real.

No final desta formação, os participantes serão capazes de

• Compreender e implementar técnicas de aprendizagem não supervisionada
• Aplicar clustering e classificação para fazer previsões com base em dados do mundo real.
• Visualizar dados para obter rapidamente insights, tomar decisões e refinar ainda mais a análise.
• Melhorar o desempenho de um modelo de aprendizado de máquina usando o ajuste de hiperparâmetros.
• Colocar um modelo em produção para uso em um aplicativo maior.
• Aplicar técnicas avançadas de aprendizado de máquina para responder a perguntas envolvendo dados de redes sociais, big data e muito mais.

Este treinamento presencial conduzido por instrutor em Portugal (online ou no local) destina-se a desenvolvedores e cientistas de dados que desejam usar o Tensorflow 2.x para construir preditores, classificadores, modelos gerativos, redes neurais e outros.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar TensorFlow 2.x.
• Compreender as vantagens do TensorFlow 2.x em relação às versões anteriores.
• Criar modelos de aprendizado profundo.
• Implementar um classificador avançado de imagens.
• Implantar um modelo de aprendizado profundo na nuvem, dispositivos móveis e IoT.

Este curso explora, com exemplos específicos, a aplicação do TensorFlow para fins de reconhecimento de imagens

Público-alvo

Este curso é destinado a engenheiros que desejam utilizar o TensorFlow para fins de Reconhecimento de Imagens

Ao concluir este curso, os participantes serão capazes de:

• compreender a estrutura e os mecanismos de implantação do TensorFlow
• executar tarefas de instalação, configuração do ambiente de produção / arquitetura
• avaliar a qualidade do código, realizar depuração, monitoramento
• implementar produção avançada como treinamento de modelos, construção de gráficos e logging

TensorFlow™ é uma biblioteca de software de código aberto para computação numérica usando gráficos de fluxo de dados.

SyntaxNet é um framework de processamento de linguagem natural baseado em redes neurais para TensorFlow.

Word2Vec é usado para aprender representações vetoriais de palavras, chamadas "word embeddings". Word2vec é um modelo preditivo computacionalmente eficiente para aprender essas representações de palavras a partir de texto bruto. Ele vem em duas versões: o modelo Continuous Bag-of-Words (CBOW) e o modelo Skip-Gram (Capítulo 3.1 e 3.2 no trabalho de Mikolov et al.).

Usados em conjunto, SyntaxNet e Word2Vec permitem aos usuários gerar modelos de Embedding Aprendidos a partir de entrada de Linguagem Natural.

Público-alvo

Este curso é destinado a desenvolvedores e engenheiros que pretendem trabalhar com modelos SyntaxNet e Word2Vec em seus gráficos TensorFlow.

Ao concluir este curso, os participantes serão capazes de:

• compreender a estrutura e os mecanismos de implantação do TensorFlow
• realizar tarefas de instalação, configuração de ambiente de produção/arquitetura e configuração
• avaliar a qualidade do código, realizar depuração e monitoramento
• implementar produções avançadas como treinamento de modelos, incorporação de termos, construção de gráficos e registro

Este curso começa fornecendo conhecimento conceitual sobre redes neurais e, em geral, sobre algoritmos de aprendizado de máquina, aprendizado profundo (algoritmos e aplicações).

A Parte 1 (40%) deste treinamento se concentra mais nos fundamentos, mas ajudará você a escolher a tecnologia adequada: TensorFlow, Caffe, Theano, DeepDrive, Keras, etc.

A Parte 2 (20%) deste treinamento introduz o Theano - uma biblioteca Python que facilita a escrita de modelos de aprendizado profundo.

A Parte 3 (40%) do treinamento será extensivamente baseada no TensorFlow - API da biblioteca de software de código aberto do Google para Aprendizado Profundo. Todos os exemplos e práticas serão realizados usando o TensorFlow.

Público-alvo

Este curso é destinado a engenheiros que desejam usar o TensorFlow em seus projetos de Aprendizado Profundo.

Após completar este curso, os participantes serão capazes de:

• ter uma boa compreensão sobre redes neurais profundas (DNN), CNN e RNN
• entender a estrutura e os mecanismos de implantação do TensorFlow
• ser capaz de realizar tarefas de instalação, ambiente de produção, arquitetura e configuração
• ser capaz de avaliar a qualidade do código, realizar depuração e monitoramento
• ser capaz de implementar produção avançada como treinamento de modelos, construção de grafos e registro